糖尿病に関連する合併症のリスクを予測する際のAIの適用は、臨床診療への関心が高まっている分野です。本研究では、心臓病と脳血管疾患のリスクを層別化する際の冶金AI予測モジュールの予測能力を調査し、アルゴリズムで生成された予測とアルゴリズム自体に含まれていない臨床および歴史的データと、ならびにイタイの糖尿病単位での糖尿病単位での機器診断報告と比較しました。私たちの研究は、T2D患者の心血管リスク予測におけるAIの使用を評価する既存の文献のコンテキストに適合しています。特に、私たちの研究グループからの最近の発見に続き、最適化されたAIアルゴリズムの使用が糖尿病性神経障害を発症するリスクを効果的に推定できることを示しており、リスク患者のより標的と詳細なスクリーニングを示唆しています。 [24]。本研究は、最近の体系的および物語のレビューで報告されているより広範な傾向と調和しています。 Kee et al。 [25] 糖尿病における心血管合併症の機械学習モデル全体で、予測ターゲット、入力機能、および検証方法における実質的な不均一性を特定し、マルチモーダルの臨床データと機器データを組み込むモデルの欠如を強調しました。同様に、oikonomouとKhera [26] Raghunath et al。 [27]; Wang Y. et al。 [28] 物語で文脈化されたのは、糖尿病患者を含む心血管リスク予測と表現型のための機械学習のより広範な傾向の中で彼らのアプローチをレビューします。また、Wang M. et al。 [29] T2D患者のCVDリスクの予測に適用されるさまざまなAIモデルを分析する系統的レビューを実施しました。彼らは、最も頻繁に使用される予測因子は、年齢、BMI、血圧、コレステロール値であることを発見しました。これらの調査結果は、特にAIアルゴリズムで考慮された変数に含まれていないにもかかわらず、多変量ロジスティック回帰によって確認された年齢の重要な役割に関して、私たちの研究と一致しています。さらに、関連する生化学的および人体測定パラメーターとしてのBMIと血圧の役割は、アルゴリズムに含めることによってサポートされました。レビュー [29] また、多くのモデルにわたって限られた再現性を強調し、分析された研究の中で外部から検証されたものは1つだけでした。我々の結果はこの発見を部分的にサポートしています：アルゴリズムは脳血管リスクの良好な層別能力を示しました（「非常に高い」リスク患者のκ= 0.89、「低」リスク患者のκ= 0.83、κ= 0.83合併サンプルでは0.85）、心臓病リスクは「非常に高」で「非常に高い」と「κ= 0.00」であると予測する能力があります。 T2Dまたはより広い集団の患者の心血管転帰を予測するために提案されているAIベースのモデルの一部は、曲線下面積（AUC）などの統計的識別指標を使用して評価されます。逆に、我々の研究は、Cohenのκを使用して定量化された臨床および機器の評価との現実世界の一致に焦点を当てていました。直接比較できませんが、Weng et al。のような人口ベースのモデル。 [30] およびBergamini et al。 [31] 心血管および脳血管の結果を層別化することにおけるAIの可能性を実証しています。ただし、これらのモデルは通常、人口レベルのイベントデータと統計的識別指標を使用して検証されます。代わりに、私たちのアプローチは、頸動脈超音波などの機器診断との現実世界の一致を強調しており、T2D患者の脳血管リスクの早期同定のための臨床ワークフローにおけるメタクニックの潜在的な有用性を強調しています。サンプルサイズは比較的少ないが、脳血管転帰の強力な一致は、特に二次予防と標的スクリーニングの潜在的な臨床的有用性をサポートしている。
この分野への別の貢献は、Sang et alによって提供されます。 [32]、T2D患者のCVD予測の機械学習ベースのAIモデルを開発および検証しました。このモデルは、従来の予測ツールの限界を克服するために、韓国の人口に特に調整されました。この研究の最も関連性の高い側面の1つは、その主要な結果、つまり3年以内のCVDの発症です。特に、発見コホートの10.2％はCVDを経験しましたが、これは特に私たちの研究に関連しています。これは、患者の12％がアルゴリズムによって心臓病の「非常に高い」リスクとして分類されているためです。 Sang et alによって特定された主要な危険因子。 [32] また、興味深い比較を提供します。具体的には、彼らの研究では、クレアチニンレベルとHBA1Cが心血管リスクの主な予測因子として浮上しました。 Algorithmの入力変数の間でEGFRが統計的に有意であった調査結果と平行することができます（EGFRが統計的に有意でした）p= 0.0108）2人の患者のグループを区別します。逆に、Sang et al。 [32] HBA1Cは平均血糖とは無関係に重要な危険因子として特定されましたが、私たちの研究では、食後グルコースは統計的に有意でした（p= 0.0013）。 Sang et al。 [32] 韓国人の人口、すなわちAST、ALP、ALT、BMI、および降圧療法（カルシウムチャネル遮断薬と利尿薬） – AST（p= 0.0457）およびBMI（p= 0.0009）は、分析で統計的に有意であると明らかになりました。
私たちの研究に特に関連する研究は、ニコルッチらの研究です。 [19]、15年以上にわたって147,6644人の患者のイタリアのコホートからのデータを使用して、T2D合併症の予測モデルを開発しました。この研究は、私たちの研究で使用されているAIアルゴリズムの開発のための基礎的な研究を表しています。また、私たちの調査がイタリアのセンターに参加している患者に対して実施されたことを考えると、特に関連性があります。 Nicolucci et al。のモデル [19] 分析されたすべての合併症で70％を超える精度を達成しました。 5つの独立したセンターでの検証により、モデルのパフォーマンスが確認されましたが、特に心血管合併症については、1つのセンターが0.60未満のAUCを報告したといういくつかの変動が観察されました。これは私たちの研究に関連しています。この研究では、脳血管リスクの予測は従来の診断方法とよく一致していましたが、心臓病のリスクの予測は精度が低いことが示されました。
予測因子に関して、Nicolucci et al。 [19] 単一の支配的なパラメーターを特定するのではなく、変数の複雑な組み合わせを識別しました。それぞれが5％未満で寄与しました。これは、私たちの研究とSang et alの研究といくらか対照的です。 [32]、一部の生化学マーカーは、心血管リスク予測の明確な統計的有意性を示しました。
AI予測と脳血管疾患の従来の診断との間の現在の調査で見られる強力な合意は、日常的な糖尿病治療におけるAIモデルの潜在的な臨床的有用性を強調しています。実際には、これらの予測を使用して、高度なニューロイメージング（頸動脈ドップラー超音波、脳磁気共鳴画像法）および神経学の紹介、特に無症状の脳血管疾患の日常的なスクリーニングがすべての患者に適切ではない場合に患者に優先順位を付けます。 「非常に高い」リスクとしてフラグを立てられた患者の場合、臨床医は、より厳しい血圧制御、抗血小板、スタチン療法の考慮、またはライフスタイルの介入など、より早いまたはより積極的な予防戦略を開始することができます。逆に、「低い」リスクに分類された患者は、不必要な診断手順を回避し、医療の負担とコストを削減する可能性があります。 AIツールを電子健康記録または意思決定サポートシステムに統合することにより、臨床医は、脳血管リスクの再評価を必要とする患者にリアルタイムで警告され、T2D集団の予防ケア経路を強化することができます。
本研究のもう1つの制限は、AIベースのリスク予測アルゴリズムと、UKPDSリスクエンジンやSCORE2-二糖などの臨床リスク評価ツールとの間の直接的な比較がないことです。これらのツールは、最近のガイドラインで広く使用および推奨されていますが [16, 17]、主に人口統計および代謝パラメーターに依存しており、ECGなどの機器モダリティを通じて検出可能な早期または無症状の心血管および脳血管の変化を完全にキャプチャしない場合があります。したがって、特定の患者サブセット、特に前臨床または初期の糖尿病相での予測精度は制限される可能性があります。私たちのグループの将来の研究は、AIベースのモデルとこれらの従来のリスクエンジンとの間に直接的な比較分析を組み込むことを目指しており、機器データの統合が個別のリスク層別化に増分値を提供するかどうかを評価することを目標としています。
#2型糖尿病における心臓細胞血管リスクを予測するための人工知能アルゴリズム臨床および機器の評価との一致糖尿病およびメタボリック症候群